خشکسالی زیرپوستی

خشکسالی یکی از پدیده‌های طبیعی است که تقریباً همه جوامع انسانی، به‌ویژه در مناطق خشک و نیمه‌خشک، با آن درگیر بوده‌اند. خشکسالی مسئله اقلیمی نیست، بلکه پدیده‌ای چندبعدی است که به‌طور مستقیم و غیرمستقیم بر اقتصاد، امنیت غذایی، مهاجرت، اشتغال، سلامت و حتی ثبات اجتماعی اثر می‌گذارد. به همین دلیل، اقتصاددانان، برنامه‌ریزان و سیاست‌گذاران بیش از گذشته به دنبال درک عمیق ابعاد مختلف خشکسالی و پیامدهای بلندمدت آن هستند. یکی از مهم‌ترین و کمتر‌دیده‌شده‌ترین ابعاد خشکسالی، تاثیر آن بر منابع آب زیرزمینی است. در ایران، آب زیرزمینی ستون فقرات تامین آب برای کشاورزی، صنعت و مصرف شهری به‌شمار می‌رود. زمانی که بارندگی کاهش پیدا می‌کند، کشاورزان و دولت‌ها برای جبران کمبود آب‌های سطحی، بیشتر به چاه‌ها و سفره‌های زیرزمینی متکی می‌شوند. این وضع شبیه حساب بانکی‌ است که در دوره‌ای درآمد آن کم شده و فرد برای حفظ سطح مصرف، شروع به برداشت از پس‌اندازش می‌کند. اگر این روند کوتاه‌مدت باشد، شاید مشکل جدی ایجاد نکند، اما اگر سال‌ها ادامه پیدا کند، حساب بانکی خالی می‌شود و بازگشت به وضع قبل، دشوار یا حتی غیرممکن است. در مورد آب زیرزمینی نیز دقیقاً همین اتفاق رخ می‌دهد. خشکسالی‌های طولانی‌مدت باعث کاهش تغذیه طبیعی سفره‌های آب زیرزمینی می‌شوند و همزمان برداشت بیش‌ازحد، سطح آب را به‌تدریج پایین می‌آورد. پیامدهای این روند فقط به کمبود آب محدود نمی‌شود. فرونشست زمین، شور شدن خاک، کاهش کیفیت آب و تخریب زیرساخت‌ها از اثرات جانبی است. برای مثال، در برخی دشت‌های ایران، فرونشست زمین به حدی رسیده که جاده‌ها، خطوط راه‌آهن و حتی ساختمان‌ها آسیب دیده‌اند. این خسارت‌ها هزینه‌های اقتصادی سنگینی به کشور تحمیل می‌کنند که معمولاً در محاسبات اولیه خشکسالی نادیده گرفته می‌شوند.

با وجود اهمیت آب‌های زیرزمینی، اندازه‌گیری و پایش آن همواره کار دشواری بوده است. روش سنتی این کار، استفاده از چاه‌های مشاهده‌ای و داده‌های محلی است. این روش‌ها شبیه آن هستند که بخواهیم وضع سلامت کل بدن را فقط با چند آزمایش محدود بررسی کنیم. داده‌ها معمولاً پراکنده، ناقص و پرهزینه‌اند و امکان پوشش کامل کشوری یا حوضه بزرگ آبریز را فراهم نمی‌کنند. در چنین شرایطی، تصمیم‌گیری اقتصادی و مدیریتی بر حدس و تجربه متکی می‌شود تا شواهد دقیق. تحول مهم در این زمینه با ورود داده‌های ماهواره‌ای رخ داد. ماموریت‌هایی همانند GRACE این امکان را فراهم کردند که تغییرات ذخیره کل آب زمین، از جمله آب‌های زیرزمینی، در مقیاس‌های بزرگ و به‌صورت ماهانه پایش شود. به زبان ساده، این ماهواره‌ها مانند ترازو عمل می‌کنند که تغییرات جرم آب را در سطح زمین اندازه می‌گیرند. اگر در منطقه‌ای ذخیره آب کم شود، این کاهش در داده‌های GRACE قابل‌مشاهده است. این فناوری، افق جدیدی را برای تحلیل خشکسالی، به‌ویژه در کشورهایی با کمبود داده‌های زمینی، باز کرده است.

داده‌های ماهواره‌ای نیز محدودیت‌هایی دارند. دقت مکانی آنها برای مطالعات محلی پایین است و گاهی وقفه‌هایی در سری‌های زمانی آنها ایجاد می‌شود. اینجاست که روش‌های نوین همانند یادگیری ماشین وارد میدان می‌شوند. الگوریتم‌های هوشمند می‌توانند داده‌های ماهواره‌ای را با اطلاعات اقلیمی، بارش، دما و داده‌های زمینی ترکیب کنند و تصویر دقیق و قابل‌اعتماد از وضع آب زیرزمینی ارائه دهند. از منظر اقتصادی، این به معنای کاهش عدم قطعیت و افزایش کیفیت تصمیم‌گیری است؛ تصمیم‌هایی که می‌توانند میلیاردها تومان هزینه یا صرفه‌جویی به همراه داشته باشند. نویسندگان در این مقاله تلاش کرده‌اند با استفاده از داده‌های ماهواره‌ای GRACE و ابزارهای یادگیری ماشین، وضع خشکسالی آب زیرزمینی در ایران را به شکل جامعی بررسی کنند.

مقاله چه می‌گوید؟

این مقاله به یکی از مهم‌ترین و درعین‌حال کمتر دیده‌شده‌ترین بحران‌های ایران یعنی خشکسالی آب‌های زیرزمینی می‌پردازد. نویسندگان مقاله، علی کاشانی و حمیدرضا صفوی، تلاش می‌کنند توضیح دهند که چگونه می‌توان با استفاده از داده‌های ماهواره‌ای و روش‌های هوش مصنوعی، وضع آب‌های زیرزمینی ایران را بهتر رصد، تحلیل و پیش‌بینی کرد. مسئله اصلی مقاله این است که در کشوری همانند ایران، که هم با کمبود بارش و هم با برداشت بی‌رویه از منابع آب زیرزمینی مواجه است، روش‌های سنتی پایش آب دیگر کافی نیستند و باید از ابزارهای جدید استفاده کرد.

خشکسالی معمولاً در ذهن عموم مردم با کمبود بارش یا خشک شدن رودخانه‌ها شناخته می‌شود، اما مقاله توضیح می‌دهد که خشکسالی فقط پدیده‌ای سطحی نیست. یکی از خطرناک‌ترین انواع آن، خشکسالی آب زیرزمینی است. در این نوع خشکسالی، ابتدا بارش کاهش پیدا می‌کند، سپس تغذیه آبخوان‌ها کم می‌شود، بعد سطح آب زیرزمینی پایین می‌رود و درنهایت امکان برداشت آب کاهش می‌یابد. این فرآیند معمولاً آهسته و پنهان است، اما اثرات آن می‌تواند شدید و غیرقابل‌بازگشت باشد. ایران به‌دلیل قرار گرفتن در کمربند خشک و نیمه‌خشک جهان، بارندگی کم و پراکندگی نامناسب بارش، بیش از بسیاری از کشورها در معرض این نوع خشکسالی قرار دارد. نویسندگان توضیح می‌دهند که روش رایج پایش آب زیرزمینی، استفاده از چاه‌های پیزومتری و اندازه‌گیری مستقیم سطح آب است. اما این روش مشکلات زیادی دارد. این چاه‌ها هزینه‌برند، پوشش مکانی محدودی دارد، داده‌ها معمولاً ناقص یا ناپیوسته‌اند و بسیاری از مناطق اصلاً تحت پایش قرار ندارند. به همین دلیل، تصویر دقیقی از وضع کشورمان به دست نمی‌دهد. اینجاست که داده‌های ماهواره‌ای وارد می‌شوند. ماموریت ماهواره‌ای GRACE و نسخه جدید آن GRACE-FO، با اندازه‌گیری تغییرات میدان گرانشی زمین، امکان برآورد تغییرات ذخیره کل آب (شامل آب‌های سطحی و زیرزمینی) را در مقیاس بزرگ فراهم کرده‌اند. این ماهواره‌ها می‌توانند بفهمند در منطقه وزن زمین چقدر تغییر کرده و از این طریق تشخیص دهند که آب کم یا زیاد شده است. بااین‌حال، داده‌های GRACE هم محدودیت دارند. دقت مکانی آنها پایین است و بیشتر برای مقیاس‌های بزرگ مناسب‌اند، نه حوضه‌های آبریز یا آبخوان‌های محلی. علاوه بر این، میان پایان ماموریت GRACE و شروع GRACE-FO وقفه زمانی وجود دارد که باعث ایجاد شکاف در داده‌ها شده است. هدف اصلی پژوهش این است که نشان دهد چگونه می‌توان با کمک یادگیری ماشین، داده‌های ماهواره‌ای را به مقیاس‌های کوچک تبدیل، شکاف‌های زمانی را پر و از آنها برای تحلیل خشکسالی آب زیرزمینی استفاده کرد. نویسندگان وضع آب زیرزمینی شش حوضه اصلی ایران را بررسی می‌کنند و از ترکیب داده‌های GRACE با داده‌های تکمیلی مثل GLDAS (اطلاعات مربوط به بارش، تبخیر، رطوبت خاک و سایر متغیرهای هیدرولوژیک را ارائه می‌دهد) استفاده می‌کنند. سپس با بهره‌گیری از الگوریتم‌های یادگیری ماشین همچون XGBoost، تلاش می‌کنند داده‌های با وضوح پایین ماهواره‌ای را به داده‌های دقیق در مقیاس منطقه‌ای تبدیل کنند. این فرآیند که به آن «ریزمقیاس‌سازی» (Downscaling) گفته می‌شود، یکی از محورهای مقاله است.

گام بعدی مقاله، رسیدگی به مشکل نبود داده در برخی بازه‌های زمانی است. برای این منظور، از الگو‌های آماری سری زمانی همانند SARIMA استفاده می‌شود که شکاف‌های موجود در داده‌ها پر شود و سری زمانی پیوسته از تغییرات آب زیرزمینی به دست آید. این کار به پژوهشگران اجازه می‌دهد روندهای گذشته را بهتر تحلیل کنند و پایه‌ای برای پیش‌بینی آینده فراهم آورند. یکی دیگر از اهداف مقاله، استفاده از شاخص خشکسالی آب زیرزمینی مبتنی بر GRACE یا GGDI است. این شاخص به پژوهشگران کمک می‌کند شدت و زمان‌بندی خشکسالی آب زیرزمینی را مشخص کنند و آن را با شاخص‌های متداول خشکسالی هواشناسی، مثل SPI، مقایسه کنند. همچنین مقاله به دنبال بررسی ارتباط میان خشکسالی آب زیرزمینی و الگوهای بزرگ اقلیمی جهانی، همانند ال‌نینو، نوسان اطلس شمالی و سایر پدیده‌های موسوم به «پیوندهای دوربرد اقلیمی» است؛ پدیده‌هایی که می‌توانند بارش و خشکسالی در ایران را تحت تاثیر قرار دهند.

یافته‌های مقاله

یافته‌های این مقاله نشان می‌دهد ترکیب داده‌های ماهواره‌ای و روش‌های هوش مصنوعی می‌تواند تصویر دقیق، منسجم و کاربردی از وضع خشکسالی آب‌های زیرزمینی ایران ارائه دهد. تصویری که با روش‌های سنتی به‌سادگی قابل‌دستیابی نیست. یکی از مهم‌ترین نتایج پژوهش این است که داده‌های ماهواره‌ای GRACE و GRACE-FO، با وجود دقت مکانی نسبتاً پایین، توانایی بالایی در شناسایی روندهای کلی کاهش یا افزایش ذخایر آب زیرزمینی در مقیاس حوضه‌های بزرگ دارند و می‌توانند تغییرات بلندمدت منابع آب زیرزمینی را به‌خوبی نشان دهند. مقاله نشان می‌دهد در همه حوضه‌های اصلی ایران، به‌ویژه در فلات مرکزی، جنوب غرب و شرق کشور، روند تغییرات آب زیرزمینی منفی و بیانگر تداوم و تشدید خشکسالی آب زیرزمینی در سال‌های گذشته است.

یکی دیگر از یافته‌های مقاله این است که استفاده از الگوریتم‌های یادگیری ماشین، به‌ویژه XGBoost، می‌تواند به‌طور معناداری دقت داده‌های ماهواره‌ای را در مقیاس‌های کوچک‌تر افزایش دهد. نتایج الگوسازی نشان می‌دهد ریزمقیاس‌سازی داده‌های GRACE با کمک متغیرهای هیدرولوژیک مکمل همانند بارش، تبخیر، رطوبت خاک و روان‌آب، باعث می‌شود تغییرات آب زیرزمینی در سطح حوضه‌ها و حتی زیرحوضه‌ها با خطای کمتری برآورد شود. مقاله همچنین نشان می‌دهد که کاهش شکاف‌های زمانی داده‌ها با استفاده از الگوهای سری زمانی مانند SARIMA، نتایج قابل قبولی به همراه دارد. از دیگر نتایج مقاله، تحلیل شاخص خشکسالی آب زیرزمینی مبتنی بر داده‌های GRACE یا همان GGDI است. این شاخص قادر است زمان شروع، اوج و پایان خشکسالی آب زیرزمینی را به‌خوبی شناسایی کند، اما واکنش آن نسبت به شاخص‌های خشکسالی هواشناسی همانند SPI با تاخیر همراه است. به بیان ساده، خشکسالی آب زیرزمینی معمولاً دیرتر از خشکسالی بارشی آغاز می‌شود و دیرتر هم پایان می‌یابد. این یافته‌ها اهمیت زیادی دارد، زیرا نشان می‌دهد حتی اگر بارش‌ها به شرایط نرمال بازگردند، منابع آب زیرزمینی ممکن است همچنان زیر فشار باقی بمانند و احیای آنها زمان‌بر باشد.

مقاله همچنین به ارتباط میان خشکسالی آب زیرزمینی و الگوهای اقلیمی بزرگ‌مقیاس جهانی می‌پردازد. نتایج نشان می‌دهد برخی از پدیده‌های اقلیمی همانند ال‌نینو، نوسان اطلس شمالی و سایر پیوندهای دوربرد اقلیمی می‌توانند به‌طور غیرمستقیم بر وضع بارش و تغذیه آبخوان‌ها در ایران اثر بگذارند. هرچند این ارتباط‌ها قوی و یکنواخت نیستند، اما در برخی حوضه‌ها، همزمانی قابل‌توجهی میان فازهای خاص الگوهای اقلیمی و تشدید یا تضعیف خشکسالی آب زیرزمینی وجود دارد. این موضوع می‌تواند در آینده برای پیش‌بینی زودهنگام خشکسالی و مدیریت ریسک آب مورد استفاده قرار گیرد. یکی از نتایج مهم و نگران‌کننده مقاله این است که نقش عوامل انسانی در تشدید خشکسالی آب زیرزمینی پررنگ است. یافته‌ها نشان می‌دهد کاهش ذخایر آب زیرزمینی در بسیاری از مناطق ایران صرفاً ناشی از کاهش بارش یا تغییرات اقلیمی نیست، بلکه برداشت بی‌رویه آب برای کشاورزی، صنعت و مصارف شهری نقش تعیین‌کننده‌ای دارد. در برخی دوره‌ها که بارش‌ها نسبتاً مناسب بوده‌اند، سطح آب زیرزمینی همچنان کاهش یافته که این موضوع نشان‌دهنده فشار شدید انسانی بر منابع آب است.

پرده پایانی

خشکسالی یکی از مشکلات بزرگ در ایران است که علاوه بر کمبود بارش، منابع آب زیرزمینی را هم تهدید می‌کند. وقتی بارندگی کم می‌شود و آب‌های سطحی مثل رودخانه‌ها و سدها کاهش پیدا می‌کند، مردم و کشاورزان برای جبران نیازهایشان به چاه‌ها و سفره‌های زیرزمینی متکی می‌شوند. اگر برداشت بیش‌ازحد تداوم یابد، سطح آب زیرزمینی پایین می‌آید و مشکلات جدی مثل فرونشست زمین، شور شدن خاک و آسیب به ساختمان‌ها و زیرساخت‌ها ایجاد می‌شود. این اتفاقات هزینه‌های زیادی برای اقتصاد و زندگی مردم به همراه دارند و مدیریت دقیق منابع آب را ضروری می‌کنند.

این مقاله به بررسی وضع آب‌های زیرزمینی ایران پرداخته و تلاش کرده است تصویر واضحی از تغییرات این منابع در طول زمان ارائه دهد. پژوهشگران داده‌های ماهواره‌ای را از سال 2002 تا 2023 به کار گرفته‌اند. آنها با ترکیب داده‌ها با الگوریتم‌های یادگیری ماشین و با استفاده از الگوهای آماری، روند تغییرات آب زیرزمینی را تا سال 2030 پیش‌بینی کردند. نتایج نشان داد به‌طور متوسط هر سال حدود 29 سانتی‌متر از ذخایر آب زیرزمینی ایران کاهش یافته و حوضه دریای خزر بیشترین کاهش را داشته است. همچنین، شاخص خشکسالی آب زیرزمینی با شاخص بارش استاندارد مقایسه و مشخص شد خشکسالی‌های هواشناسی با هشت ماه تاخیر باعث کاهش آب زیرزمینی می‌شوند. این مقاله نشان می‌دهد اتکا به داده‌های ماهواره‌ای به‌تنهایی کافی نیست، اما ترکیب آنها با هوش مصنوعی و الگوسازی آماری می‌تواند شکاف‌های اطلاعاتی را پر کند و مبنای علمی قوی‌تری برای سیاست‌گذاری و مدیریت منابع آب فراهم آورد. این نتایج از منظر برنامه‌ریزی بلندمدت، امنیت غذایی، توسعه پایدار و کاهش ریسک‌های اقتصادی و اجتماعی ناشی از بحران آب، اهمیت زیادی دارند.